Beginner's Guide to Audio Data 2Explore and run machine learning code with Kaggle Notebooks | Using data from Freesound Audio Tagging 2019
Autowareにおける三次元物体認識アルゴリズム「PointPillars」の紹介 - TIER IV Tech Blog
こんにちは。 ティアフォーで自動運転ソフトウェア開発を行っている村上です。 今回はDeep Learningを使った三次元物体認識の手法を紹介していきます。 TL;DR: 12msで動作する三次元物体認識アルゴリズムの開発 自動運転におけるDeep Learning 点群を処理するためのDeep Learning ざっと従来手法 従来手法での問題 形状推定の必要性 Deep Learningで可能なこと 三次元物体認識アルゴリズム「PointPillars」の紹介 ざっと類似手法 なぜ「PointPillars」 CUDAとTensorRTによる高速化 最後に 自動運転におけるDeep Learning 自動運転では主に周りの環境を認識する際にDeep Learningを用いることが多いです。画像認識アルゴリズムであるSSD*1やYOLO*2が有名なものになります。 Deep Learni
AI Habitat
📢 Habitat 3.0 is out! More information here 📢 Habitat Navigation Challenge 2023 is live now! You can find it here What is Embodied AI? “AI is … the science and engineering of making intelligent machines.” - John McCarthy Embodied AI is the science and engineering of intelligent machines with a physical or virtual embodiment (typically, robots and egocentric personal assistants). The embodiment h
Using the latest advancements in deep learning to predict stock price movements
Overview of the complete architecture.Link to the complete notebook: https://github.com/borisbanushev/stockpredictionai In this notebook I will create a complete process for predicting stock price movements. Follow along and we will achieve some pretty good results. For that purpose we will use a Generative Adversarial Network (GAN) with LSTM, a type of Recurrent Neural Network, as generator, and
“Deep Learning est mort. Vive Differentiable Programming!”
The education process is full of unpleasant surprises for learners. All students can confirm our statement. They face many common issues, such as the complexity of subjects and assignments, time management, or weak skills. Sometimes, they realize that a concrete task or topic needs to be simplified. These issues lead to a loss of grades. No one wants to lose grades; thus, students look for particu
TensorFlow の SessionRunHook で Optuna の枝刈り
この記事は TensorFlow Advent Calendar 2018 の 23 日目のはずだったけど、早く書き終わって我慢できなかったので空いてた 6 日目にねじ込んでしまったやつです。 こういう話があったので、ちょっと TensorFlow 用に Optuna の枝刈り機能を実装できそうか手を動かしてみました。 できた？一応動くね！ 前提知識TensorFlow の Estimator をちょっと使ったことがあるOptuna が何なのかは知っていてサンプルコードを試しに動かしたことがある（枝刈りが何かの説明とかはしません何ができれば良い？Optuna 側に callback 的なもので定期的に現在の評価指標と反復回数を渡せれば OK のようです。 lightgbm の場合はこんなふうに callback が実装されています。 各学習の途中でこうやって Optuna に trial.
DeepLearning における会話モデル： Seq2Seq から VHRED まで - Qiita
こんにちは。 DeepLearning で対話ロボットを作ろうとしているインコです。 この記事は mixi Advent Calendar 2017 の 12/03 の記事です。 概要 近年対話モデルとして DeepLearning を用いた End to End のアプローチが盛んに行われています。 この記事ではこれらに用いられるモデルとして一問一答に使われる Seq2Seq から出発して、複数発話コンテキストを扱いベイズ的なアプローチを組み込んだ VHRED を理解することをゴールとします。 会話モデルのもろもろ https://arxiv.org/pdf/1506.05869.pdf DeepLearning で対話！と言ったときにまず出てくる基本的なモデルが Sequence to Sequence こと Seq2Seq です。 これは発話・応答のシーケンスのペアを学習させることで
Cloud poetry: training and hyperparameter tuning custom text models on Cloud ML Engine | Google Cloud Blog
Cloud poetry: training and hyperparameter tuning custom text models on Cloud ML Engine Machine learning models for interpreting and processing natural language have made tremendous advances in recent years thanks to deep learning methods. Recurrent models continue to be a common choice for textual data, but newer models based on fully convolutional architectures like ByteNet, and even more recentl
SentencePieceを使用してRNN言語モデルを学習させてみる - 今日も窓辺でプログラム
はじめに 前回の記事ではpytorchのサンプルコードを参考にし、Wikipediaの記事の一部に対してRNN言語モデルを学習させてみました。 RNN言語モデルのpytorch実装をWikipediaの記事で学習させてみる - 今日も窓辺でプログラム その際にWikipediaの記事を単語に分割するための技術として、MeCab + neologd辞書を使用していました。 Wikipediaの日本語記事を全行を、分かち書きしてforループで回す - 今日も窓辺でプログラム 最近出てきた文章を単語分割する手法に、wordpiecesと呼ばれている技術があります。その実装であるSentencePieceがGoogleから公開されています。 技術的な解説などは、SentencePieceの開発者の方（MeCabの開発者でもあります）が公開しているQiitaの記事で詳しく説明されているので、ぜひ読ん
AIによるアニメ生成の挑戦
「AIによるアニメ生成の挑戦」。DeNAの「構造的生成学習」技術開発により、従来AI生成で難しかった “複雑な構造での高品質生成”、"構造変化が大きい画像間の補完生成・中割” 等の課題を解消し、多様なキャラクター全体でのアニメ生成・中割生成、を実現しています。DeNA TechCon 2019での DeNA "アニメ生成プロジェクト" の活動紹介、発表資料です。 [AIによる生成アニメ例] https://www.youtube.com/watch?v=tOZW_KWb8b0 --- "AIによるアニメ生成の挑戦". 濱田晃一 , 李天琦. DeNA TechCon 2019. --- "Challenges toward Anime Generation with Deep Generative Models". Koichi Hamada and Tianqi Li. In DeNA
Cityscapes Dataset – Semantic Understanding of Urban Street Scenes
The Cityscapes Dataset Semantic, instance-wise, dense pixel annotations of 30 classes Dataset Overview The Cityscapes Dataset 5 000 images with high quality annotations · 20 000 images with coarse annotations · 50 different cities Dataset Overview The Cityscapes Dataset Rich metadata: preceding and trailing video frames · stereo · GPS · vehicle odometry Dataset Overview
畳み込みニューラルネットワークの最新研究動向 (〜2017) - Qiita
昨年に引き続きDeep Learningやっていき Advent Calendar 2017の25日目の滑り込み記事で，畳み込みニューラルネットワークの歴史および最新の研究動向についてのサーベイです．2017年12月のPRMU研究会にて発表した，畳み込みニューラルネットワークについてのサーベイをベースに追記を行ったものになります． はじめに 畳み込みニューラルネットワーク (Convolutional Neural Networks; CNN) （以降CNN）は，主に画像認識に利用されるニューラルネットワークの一種である．CNNの原型は，生物の脳の視覚野に関する神経生理学的な知見1を元に考案されたNeocognitron2に見ることができる．Neocognitronは，特徴抽出を行なう単純型細胞に対応する畳み込み層と，位置ずれを許容する働きを持つ複雑型細胞に対応するpooling層とを交互
NNの予測根拠可視化をライブラリ化する - Qiita
左から：VGG16 による分類予測の根拠可視化、MLPによる iris データセットのFeature importance(もどき)の計算、Graph Convolution モデルによる水溶度の寄与可視化。 概要 「Deep Neural Networkはブラックボックス、中で何が行われて出力が出たのか知ることはできない」と思っていませんか？ 実際、多くの層からなるNNは複雑で数学的解析は難しいですが、全くわからないというわけではなく、上記のように予測根拠を可視化することによってモデルのデバッグや新たな知見の導出を試みようという研究があります。 今回、このSaliency mapの計算手法のいくつかを実装し、その可視化機能がChainer Chemistry でマージされましたので紹介します。 本記事少し長くなってしまいましたが、最後まで読んでいただければこのような可視化ができるようにな
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
Why does transformer use noam as the learning rate decay scheme? · Issue #280 · tensorflow/tensor2tensor
IMAGENET-TRAINED CNNS ARE BIASED TOWARDS TEXTURE; INCREASING SHAPE BIAS IMPROVES ACCURACY AND ROBUSTNESS · Issue #1111 · arXivTimes/arXivTimes
[DL輪読会]Learning agile and dynamic motor skills for legged robots
Windows FAQ — PyTorch 2.1 documentation
Neural Networks Part 1: A Simple Proof of the Universal Approximation Theorem
CNN Architectures: LeNet, AlexNet, VGG, GoogLeNet, ResNet and more
CM3: Cooperative Multi-goal Multi-stage Multi-agent Reinforcement Learning